一种辐射源个体识别方法、装置及设备

1.本技术涉及通信技术领域，特别是指一种辐射源个体识别方法、装置及设备。


背景技术：

2.随着无线通信的高速发展，无线通信业务飞速增长。为了保障无线通信的高效安全，需要进行无线电监测。所以，辐射源识别技术作为处于信号接收和解调的中间步骤，是一种通过分析接收信号的隐含的非理想硬件指纹的统计特征，从而快速、自动地识别不同辐射源的技术。
3.目前已有的辐射源识别技术分为两大类：基于似然的调制方式识别技术和基于特征的辐射源识别技术。前者可以得到最优结果但计算时间复杂度较高，故不常用在实际场景中；而后者虽然结果次优，但能够提取有辨识度的辐射源内在硬件的差异特征，并有计算复杂度低的优点，故具有较大的实用价值。常用的基于特征的方法有瞬态信号特征提取法、非线性特征估计法、机器学习法等。
4.机器学习法因其高表征力，在近年来广为使用，较为常用的机器学习方法如：支持向量机法、神经网络法等。但是常见的基于特征的方法在噪声较大时识别准确率很低。


技术实现要素：

5.本技术实施例的目的是提供一种辐射源个体识别方法、装置及设备，解决了现有的辐射源个体识别方法在噪声较大时识别准确率低的问题。
6.为达到上述目的，本技术的实施例提供一种辐射源个体识别方法，包括：
7.接收第一调制信号；
8.对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；
9.将所述星座图输入至目标辐射源识别模块，输出对与所述第一调制信号相关的辐射源个体的分类结果；
10.其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。
11.可选地，对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图，包括：
12.对所述第一调制信号进行解调，获得与所述第一调制信号对应的解调信号；
13.对所述解调信号进行归一化处理，获得归一化的信号序列；
14.将所述信号序列映射到复平面上，获得所述星座图。
15.可选地，对所述第一调制信号进行解调，获得与所述第一调制信号对应的解调信号，包括：
16.将所述第一调制信号输入至接收成形滤波器，获得所述解调信号；
17.其中，所述接收成形滤波器用于根据所述接收成形滤波器的函数对所述第一调制
信号进行解调。
18.可选地，根据所述接收成形滤波器的函数对所述第一调制信号进行解调，包括：
19.根据公式对所述第一调制信号进行解调，获得所述解调信号；
20.其中，为所述解调信号，为所述辐射源个体发送的第二调制信号，为信道噪声，为所述接收成形滤波器的函数，所述第二调制信号和所述信道噪声的和为所述第一调制信号，i表示第i个辐射源个体。
21.可选地，根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别，包括：
22.提取所述星座图中的非线性特征信息；
23.将所述非线性统计特征压缩为一维特征；
24.根据对所述一维特征的学习分类的结果，对所述辐射源个体进行分类。
25.可选地，所述方法还包括：
26.根据不同信噪比下的试验数据，确定原始辐射源识别模块的架构；
27.对所述原始辐射源识别模块进行训练，获得所述目标辐射源识别模块。
28.为达到上述目的，本技术的实施例提供一种辐射源个体识别装置，包括：
29.接收模块，用于接收第一调制信号；
30.处理模块，用于对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；
31.识别模块，用于将所述星座图输入至目标辐射源识别模块，输出与所述第一调制信号相关的辐射源个体的分类结果；
32.其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。
33.为达到上述目的，本技术的实施例提供一种辐射源识别设备，包括：收发机、处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令；所述处理器执行所述程序或指令时实现如上所述的辐射源个体识别方法的步骤。
34.为达到上述目的，本技术的实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的辐射源个体识别方法的步骤。
35.本技术的上述技术方案的有益效果如下：
36.本技术实施例的辐射源个体识别方法，首先，接收第一调制信号；其次，对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；最后，将所述星座图输入至目标辐射源识别模块，输出对与所述第一调制信号相关的辐射源个体的分类结果；其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。本技术实施例的辐射源个体识别方法，首先对第一调制信号进行增强处理，获得包含非线性统计特征的星座图，然后，基于该星座图进行辐射源个体的识别，如此，一方面，避免了针对原始信号的星座图进行优化，降低了计算复杂度；另一方面，实现了将鲁棒性和识别准确率作为优化目标，解决了目前在噪声较大时辐射源个体的识别准确率较低的问题。
附图说明
37.图1为本技术实施例的辐射源个体识别方法的流程示意图之一；
38.图2为本技术实施例的辐射源个体识别方法的流程示意图之二；
39.图3为本技术实施例的目标辐射源识别模块的结构示意图；
40.图4为本技术实施例的不同信噪比条件下不同符号数量下的分类准确率折线图；
41.图5为本技术实施例的不同信噪比条件下不同方法的分类准确率折线图；
42.图6为本技术实施例的辐射源个体识别装置的结构示意图；
43.图7为本技术实施例的辐射源个体识别设备的结构示意图。
具体实施方式
44.为使本技术要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。
45.应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本技术的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
46.在本技术的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
47.另外，本文中术语“系统”和“网络”在本文中常可互换使用。
48.在本技术所提供的实施例中，应理解，“与a相应的b”表示b与a相关联，根据a可以确定b。但还应理解，根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其它信息确定b。
49.在对本技术实施例的辐射源个体识别方法进行说明之前，先对相关的技术点进行说明：
50.星座图：在数字通信领域中，将数字信号在复平面上标识，以直观的标识信号以及信号之间的关系，这种图示就是星座图；星座图可以看成数字信号的一个“二维眼图”阵列，同时符号在图中所处的位置具有合理的限制或判决边界。
51.辐射源个体识别：通信辐射源个体识别是指在分析截获通信信号个体的基础上，得到信号中通信设备的工作参数和特征参数，然后利用这些参数获取该通信设备的体制、用途和型号等信息，进而掌握其工作状态，了解其战术运用特点、活动规律以及作战能力的过程。
52.指纹特征：通信辐射源个体信号的细微特征也称为通信信号的“指纹”，指信号中可以用于标识发送该信号的通信设备身份的特征。通过通信信号处理技术，发现通信信号上所承载的通信辐射源稳定的硬件特征信息。可以认为信号指纹主要表现为同一通信设备在其发送的所有信号中反复表现出的一种有规律的变化趋势，而通信信号个体中这种重复出现的变化规律信息具有反映信号个体特点的技术特征，可以作为“指纹”用于标识发送该信号的通信设备的个体特征。
53.如图1所示，本技术实施例的一种辐射源个体识别方法，包括：
54.步骤101，接收第一调制信号；
55.这里，需要说明的是，该第一调制信号为辐射源个体发送的信号经过信道传输到接收端的信号，也就是说，该第一调制信号应包括辐射源个体发送的原始信号和信道噪声。
56.具体的，结合图2，辐射源个体发送的原始信号可以用如下公式表示：
[0057][0058]
其中，为所述原始信号，波浪线代表复基带信号或系统，i代表的是第i个辐射源，ik，qk是调制信号的实部和虚部，是发送成形滤波器的函数，函数是基带功放模型。这里，需要说明的是，本技术实施例的基带功放采用了泰勒级数的基带非线性模型，并合理的设置了十组参数作为不同的辐射源。
[0059]
步骤102，对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；
[0060]
通过进行增强处理，可以减少信号中的冗余特征，将第一调制信号对应的解调信号的特征组成为一个新的特征，以基于该新的特征进行后续的识别过程。
[0061]
步骤103，将所述星座图输入至目标辐射源识别模块，输出对与所述第一调制信号相关的辐射源个体的分类结果；其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。
[0062]
这里，需要说明的是，所述目标辐射源识别模块可以为如图3所示的非线性统计卷积神经网络(nonlinear statistical convolutional neural network，nscnn)。
[0063]
本技术实施例的辐射源个体识别方法，首先，接收第一调制信号；其次，对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；最后，将所述星座图输入至目标辐射源识别模块，输出对与所述第一调制信号相关的辐射源个体的分类结果；其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。如此，实现了通过增强处理，减少信号中的冗余特征，并获得对辐射源个体分类识别有用的特征(非线性统计特征)，然后基于非线性统计特征对辐射源个体进行识别，这样，降低了计算的复杂度，还实现了将鲁棒性和识别准确率作为优化目标，解决了目前在噪声较大时辐射源个体的识别准确率较低的问题。
[0064]
作为一个可选的实现方式，步骤102，对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图，包括：
[0065]
(1)对所述第一调制信号进行解调，获得与所述第一调制信号对应的解调信号；
[0066]
这里，需要说明的是，解调信号序列如下所示：
[0067][0068]
其中，length为解调信号的数量。
[0069]
(2)对所述解调信号进行归一化处理，获得归一化的信号序列；
[0070]
本步骤归一化后的解调符号(信号序列)可以如下式所示：
[0071]
[0072]
其中，是归一化的信号序列，每个值代表一个符号，length是信号的数量。
[0073]
(3)将所述信号序列映射到复平面上，获得所述星座图。
[0074]
这里，需要说明的是，由于符号是iq信号对，我们可以将其映射到复平面上，将整个序列绘制出来，我们可以得到对应包含非线性统计特征的星座图。
[0075]
本可选实现方式中，通过将所述解调信号进行归一化处理，使得归一化的解调信号的星座图凸显了非线性统计特征，便于快速捕捉到不同辐射源个体之间的微小的非线性统计特征，使得识别的准确率大幅度提高。
[0076]
作为一个具体的实现方式，对所述第一调制信号进行解调，获得与所述第一调制信号对应的解调信号，包括：
[0077]
将所述第一调制信号输入至接收成形滤波器，获得所述解调信号；
[0078]
其中，所述接收成形滤波器用于根据所述接收成形滤波器的函数对所述第一调制信号进行解调。
[0079]
也就是说，图2所示的接收成形滤波器用于对接收到的第一调制信号进行解调，以获得与所述第一调制信号对应的解调信号。
[0080]
作为一个更具体的实现方式，根据所述接收成形滤波器的函数对所述第一调制信号进行解调，包括：
[0081]
根据公式对所述第一调制信号进行解调，获得所述解调信号；
[0082]
其中，为所述解调信号，为所述辐射源个体发送的第二调制信号，为信道噪声，为所述接收成形滤波器的函数，所述第二调制信号和所述信道噪声的和为所述第一调制信号，i表示第i个辐射源个体。
[0083]
也就是说，结合图2，本技术实施例的对第一调制信号进行增强处理的过程为：
[0084]
首先，利用接收成形滤波器对接收到的射频信号(第一调制信号，进行解调；然后对解调信号进行归一化处理，最后，使用星座图对归一化的信号进行表征，这种方法使得相同符号的星座点聚集在相同位置，如此，能够加强信号在低信噪比下对非线性的提取能力。其中，解调信号归一化后的星座图相对于理想位置有着特定的偏移，这些偏移往往是由于辐射源中本征非线性所带来的影响。由于使用的功放是准无记忆性的，因此相同的符号在解调过程中将会产生相似的偏移。随着接收到的符号的数量增多，这种偏移将会展现稳定非线性特征的统计性，然后就可以使用这种特征对辐射源个体进行识别。
[0085]
作为一个可选的实现方式，根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别，包括：
[0086]
提取所述星座图中的非线性特征信息；通过提取所述星座图中的非线性特征信息，能够捕捉到不同辐射源之间的微小的非线性统计特征，以较少冗余特征的数量。
[0087]
将所述非线性统计特征压缩为一维特征；通过将非线性统计特征压缩为一维特征，使得后续能够更好的对辐射源个体进行分类。
[0088]
根据对所述一维特征的学习分类的结果，对所述辐射源个体进行分类。
[0089]
本可选实现方式中，目标辐射源识别模型仅通过如下三个提取非线性特征信息，将非线性特征信息压缩为一维特征，并根据对所述一维特征的学习分类的结果，对所述辐
射源个体进行分类即可对辐射源个体进行分类，实现了利用低复杂度的算法(参数量较少的目标辐射源识别模块)也能确保对辐射源个体的分类的准确性。
[0090]
这里，结合图3对本技术实施例中的目标辐射源个体识别模块的结构进行说明：
[0091]
目标辐射源个体识别模块包括特征提取模块，压缩模块，分类模块。特征提取模块负责将增强后的星座图进行特征提取，以捕捉不同辐射源个体之间的微小的非线性统计特征，它主要包含两个部分，一个是卷积部分，包括卷积层，激活函数层(这里使用relu函数)和批归一化层。另一部分只包含池化层，用于提取重要特征并减小网络参数量。压缩模块负责将提取的二维特征(非线性统计特征)压缩成一维特征，使得后续模块能更好的分类。分类模块负责对提取到的特征进行学习分类，由全连接部分和最后的单个全连接层组成，全连接部分包含全连接层，激活函数层，dropout层(用于防止网络过拟合)，而最后的全连接层则用于分类成对应的辐射源个体。
[0092]
进一步地，在dropout层后面还可以增加softmax层，用于将所有的数据输出统一到0到1之间，并最后根据最大的输出值进行判断。此外，图3中m，n，k代表的是几种不同架构的非线性统计卷积神经网络。通过对比不同的网络架构，能够取得一种参数量较低且保持一定准确率的网络结构。
[0093]
本技术实施例的辐射源个体识别方法中，使用对归一化的解调信号进行星座图映射得到，原始数据所携带的本征非线性特征经过本技术中提到的数据增强模块凸显了辐射源的非线性统计特征，特别是在序列长度能保证一定长度的条件下，解决了在低信噪比下辐射源个体的分类问题，提高了分类的准确性。
[0094]
下面，结合图2和图3对本技术实施例的辐射源个体识别方法的实现过程进行说明：
[0095]
首先，辐射源个体的天线发射信号(如图2中的比特流)，比特流经信号调制器进行调制，之后，再经发送成形滤波器进行滤波，然后，经非线性功放输出调制信号
[0096]
其次，调制信号经信道传输至接收端，接收端接收到的第一调制信号包括调制信号和信道噪声
[0097]
再次，第一调制信号输入至数据处理模块中的接收成形滤波器，对第一调制信号进行滤波解调；
[0098]
然后，将滤波解调后的信号进行归一化处理，并映射到复平面上，得到包含非线性特征的iq星座图；
[0099]
最后，将iq星座图输入至非线性统计卷积神经网络(目标辐射源个体识别模块)进行辐射源个体的识别；
[0100]
其中，非线性统计卷积神经网络进行辐射源个体识别的过程包括：特征提取模块从iq星座图中提取特征信息，压缩模块将该特征信息压缩为一维特征，分类模块基于对一维特征的分类，实现对辐射源个体的识别。
[0101]
进一步地，作为一个可选的实现方式，所述方法还包括：
[0102]
根据不同信噪比下的试验数据，确定原始辐射源识别模块的架构；
[0103]
对所述原始辐射源识别模块进行训练，获得所述目标辐射源识别模块。
[0104]
这里，需要说明的是，由于不同架构的辐射源识别模块的参数量和识别准确率不
同，本技术实施例中还进一步通过试验确定原始辐射源识别模块的架构，并对原始辐射源识别模块进行训练，以获得目标辐射源识别模块。
[0105]
下面，结合具体数据对本技术实施例的辐射源个体识别方法中不同架构的辐射源识别模块的识别效果进行比较：
[0106]
nmkbnpoolingdropout#paramsaccuracy(％)111nyn839175410％112nyn3382074678.5％211nyn421594681.25％212nyn1706202681.63％311nyn219265082.63％312nyn874727485.13％121nyn107021874.63％122nyn447911474.13％221nyn65281078.5％321nyn170189881.13％
[0107]
表1在25db信噪比下在不同网络架构下的分类准确率和参数量
[0108]
nmkbnpoolingdropout#paramsaccuracy(％)111nyn839175410％112nyn3382074656.5％211nyn421594665.5％212nyn1706202665.75％311nyn219265062.13％312nyn874727410％121nyn107021865.63％122nyn447911463.88％221nyn65281058.88％321nyn170189858.88％
[0109]
表2在5db信噪比下在不同网络架构下的分类准确率和参数量
[0110]
表1和表2中n，m，k代表不同的架构，bn代表批归一化层，pooling代表的单个的池化层，dropout为全连接部分中的dropout层。y代表包含此模块，n代表不包含。这里我们以包含单个池化层作为代表分析在高低信噪比下不同架构对参数量和识别准确率的影响。从表中可知，在高信噪比下较少的卷积模块(n*m小于3)会导致特征提取能力不够，而过多的全连接模块则会导致参数显著增加。这个现象在5db的条件下识别准确率的规律不明显，这是由于噪声功率增加，不确定因素也增加。因此，综合考虑两种状况下，我们获得了最好的非线性统计网络模型。
[0111]
图4显示了不同信噪比下在不同符号数量下的分类准确率。我们对结果进行了十次蒙特卡洛仿真取平均值以便计算p
correct
。随着信噪比的增加，对于更少的符号准确率迅速提升。而准确率维持在70％～90％的原因在于我们设计了三个差异性较小的辐射源以观察识别的差异效果。但是，如果能保证一定符号数量，例如在5db下符号数量从256个增加到
512个时，准确率将大幅提升，这是由于我们设计的数据增强模块中归一化的解调信号的星座图凸显了非线性统计特征的原因。
[0112]
图5中包含了似然方法(似然检测法lrt和一般似然检测法glrt)、支持向量机(svm)、排列熵算法(pe)、全连接网络算法的比较。从图中可知虽然似然检测法能达到最优的结果，但是这是理论上可达到的上界，实际需要满足很多先验知识才能达到。在真实条件下，我们仿真了一般似然检测的方法，它需要对参数进行估计，从而达到较优的结果。而我们提出的nscnn方法能在较低的信噪比下实现更高的准确率。支持向量机由于类似的需要将辐射源参数作为分类特征，因此估计这些参数同样会受噪声影响很大。排列熵算法则需要对相空间进行重构，通过重排获得一组符号序列，并计算对应的信息熵和排列熵。而这对于随机发送的信号则难以判断信号中的序列的规则性，特别是在辐射源差异性较小的情况下，因此在高信噪比也难以有较好的性能。
[0113]
按照上述方法，本技术中所考虑的不同架构下的参数量和准确率的问题，一方面，实现了在低复杂度(目标辐射源识别模块的参数量较低)和/或大噪声的情况下，也能确保辐射源个体识别的准确性；另一方面，可以分别满足分类的鲁棒性和准确率两方面的性能，这进一步证实了本技术的有效性。总之，本技术能够同时满足多个目标的性能同时较优，从而使分类效果达到全面的优越性。
[0114]
本技术实施例中，针对优化目标的全面性，提出基于非线性统计特征的辐射源识别方法，从多个性能评估层面进行优化，能够同时满足多个目标的优越性，从而使整体能够达到较好的性能。
[0115]
本技术实施例中，设计两个函数作为两个优化目标，能同时满足分类准确率高以及对抗噪声鲁棒性好两个量化指标，从而使这两方面性能较好。
[0116]
本技术实施例中，使用非线性统计特征的方法，去除了原始信号中的冗余特征，并将解调信号中非线性特征进行聚合为对分类有用的特征。
[0117]
如图6所示，本技术实施例还提供一种辐射源个体识别装置，包括：
[0118]
接收模块601，用于接收第一调制信号；
[0119]
处理模块602，用于对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；
[0120]
识别模块603，用于将所述星座图输入至目标辐射源识别模块，输出与所述第一调制信号相关的辐射源个体的分类结果；
[0121]
其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。
[0122]
本技术实施例的辐射源个体识别装置，首先，接收模块601接收第一调制信号；其次，处理模块602对所述第一调制信号进行增强处理，获得与所述第一调制信号相关的包含非线性统计特征的星座图；最后，识别模块603将所述星座图输入至目标辐射源识别模块，输出对与所述第一调制信号相关的辐射源个体的分类结果；其中，所述目标辐射源识别模块用于：根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别。如此，实现了通过增强处理，减少信号中的冗余特征，并获得对辐射源个体分类识别有用的特征(非线性统计特征)，然后基于非线性统计特征对辐射源个体进行识别，这样，降低了计算的复杂度，还实现了将鲁棒性和识别准确率作为优化目标，解决了目前在噪声较大时辐射源个体的识
别准确率较低的问题。
[0123]
可选地，所述处理模块602包括：
[0124]
解调子模块，用于对所述第一调制信号进行解调，获得与所述第一调制信号对应的解调信号；
[0125]
处理子模块，用于对所述解调信号进行归一化处理，获得归一化的信号序列；
[0126]
映射子模块，用于将所述信号序列映射到复平面上，获得所述星座图。
[0127]
可选地，所述解调子模块包括：
[0128]
解调单元，用于将所述第一调制信号输入至接收成形滤波器，获得所述解调信号；
[0129]
其中，所述接收成形滤波器用于根据所述接收成形滤波器的函数对所述第一调制信号进行解调。
[0130]
可选地，在所述接收成形滤波器用于根据所述接收成形滤波器的函数对所述第一调制信号进行解调时，具体用于：
[0131]
根据公式对所述第一调制信号进行解调，获得所述解调信号；
[0132]
其中，为所述解调信号，为所述辐射源个体发送的第二调制信号，为信道噪声，为所述接收成形滤波器的函数，所述第二调制信号和所述信道噪声的和为所述第一调制信号，i表示第i个辐射源个体。
[0133]
可选地，所述目标辐射源识别模块在用于根据所述星座图包含的非线性统计特征识别所述辐射源个体的类别时，具体用于：
[0134]
提取所述星座图中的非线性特征信息；
[0135]
将所述非线性统计特征压缩为一维特征；
[0136]
根据对所述一维特征的学习分类的结果，对所述辐射源个体进行分类。
[0137]
进一步地，所述装置还包括：
[0138]
确定模块，用于根据不同信噪比下的试验数据，确定原始辐射源识别模块的架构；
[0139]
训练模块，用于对所述原始辐射源识别模块进行训练，获得所述目标辐射源识别模块。
[0140]
本技术另一实施例的一种辐射源个体识别设备，如图7所示，包括收发机710、处理器700、存储器720及存储在所述存储器720上并可在所述处理器700上运行的程序或指令；所述处理器700执行所述程序或指令时实现如上所述的辐射源个体识别方法。
[0141]
所述收发机710，用于在处理器700的控制下接收和发送数据。
[0142]
其中，在图7中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器700代表的一个或多个处理器和存储器720代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供接口。收发机710可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。针对不同的辐射源个体识别设备，用户接口730还可以是能够外接内接需要设备的接口，连接的设备包括但不限于小键盘、显示器、扬声器、麦克风、操纵杆等。
[0143]
处理器700负责管理总线架构和通常的处理，存储器720可以存储处理器700在执
行操作时所使用的数据。
[0144]
本技术实施例的一种可读存储介质，其上存储有程序或指令，所述程序或指令被处理器执行时实现如上所述的辐射源个体识别方法中的步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器(read-only memory，简称rom)、随机存取存储器(random access memory，简称ram)、磁碟或者光盘等。
[0145]
进一步需要说明的是，此说明书中所描述的用户设备包括但不限于智能手机、平板电脑等，且所描述的许多功能部件都被称为模块，以便更加特别地强调其实现方式的独立性。
[0146]
本技术实施例中，模块可以用软件实现，以便由各种类型的处理器执行。举例来说，一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块，举例来说，其可以被构建为对象、过程或函数。尽管如此，所标识模块的可执行代码无需物理地位于一起，而是可以包括存储在不同位里上的不同的指令，当这些指令逻辑上结合在一起时，其构成模块并且实现该模块的规定目的。
[0147]
实际上，可执行代码模块可以是单条指令或者是许多条指令，并且甚至可以分布在多个不同的代码段上，分布在不同程序当中，以及跨越多个存储器设备分布。同样地，操作数据可以在模块内被识别，并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集，或者可以分布在不同位置上(包括在不同存储设备上)，并且至少部分地可以仅作为电子信号存在于系统或网络上。
[0148]
在模块可以利用软件实现时，考虑到现有硬件工艺的水平，所以可以以软件实现的模块，在不考虑成本的情况下，本领域技术人员都可以搭建对应的硬件电路来实现对应的功能，所述硬件电路包括常规的超大规模集成(vlsi)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
[0149]
上述范例性实施例是参考该些附图来描述的，许多不同的形式和实施例是可行而不偏离本技术精神及教示，因此，本技术不应被建构成为在此所提出范例性实施例的限制。更确切地说，这些范例性实施例被提供以使得本技术会是完善又完整，且会将本技术范围传达给那些熟知此项技术的人士。在该些图式中，组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的，并无意成为限制用。如在此所使用地，除非该内文清楚地另有所指，否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时，表示所述特征、整数、步骤、操作、构件及/或组件的存在，但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示，陈述时，一值范围包含该范围的上下限及其间的任何子范围。
[0150]
以上所述是本技术的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本技术所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本技术的保护范围。